41495 75676626253 1 PB

(1)

33

PREDIKSI JUMLAH KEBUTUHAN OBAT MENGGUNAKAN METODE LEAST SQUARE BERBASIS WEBSITE

(STUDI KASUS: UPTD PUSKESMAS PONTIANAK SELATAN)

[1]Maissy Della Danianty, ^[2]Cucu Suhery, ^[3]Rahmi Hidayati

[1][2][3]Jurusan Rekayasa Sistem Komputer, Fakultas MIPA Universitas Tanjungpura

Jalan Prof. Dr. H. Hadari Nawawi Pontianak Telp./Fax : (0561) 577963

e-mail: ^[1][email protected], ^[2][email protected],

[3][email protected].

Abstrak

Pusat Kesehatan Masyarakat (Puskesmas) merupakan fasilitas pelayanan kesehatan ditingkat pertama pada masyarakat. Pelayanan kesehatan menjadi produktif jika sesuai dengan kebutuhan masyarakat, salah satunya adalah ketersediaan obat. Puskesmas menyimpan persediaan obat untuk penggunaan selama satu bulan dan membuat perencanaan permintaan obat selama satu bulan berikutnya. Saat ini perencanaan permintaan obat untuk penggunaan pada bulan berikutnya masih dilakukan berdasarkan perkiraan oleh petugas Puskesmas. Hal ini menyebabkan perencanaan persediaan obat tidak akurat karena terdapat sebagian obat mengalami kelebihan dan sebagian lainnya mengalami kekurangan. Oleh karena itu perlu adanya suatu sistem yang dapat digunakan untuk memprediksi jumlah kebutuhan obat pada bulan berikutnya, sehingga dapat dijadikan acuan permintaan obat ke Dinas Kesehatan. Metode yang digunakan untuk memprediksi jumlah kebutuhan obat adalah metode Least Square. Data aktual pemakaian masing-masing dari 20 jenis obat dan hasil prediksi pemakaiannya setiap bulan dalam satu tahun bervariasi, terdiri dari trend cenderung konstan, trend naik, dan trend turun. Dalam penelitian ini, perhitungan nilai error dari perbandingan data aktual dan nilai trend menggunakan Mean Absolute Percentage Error (MAPE). Rata-rata persentase nilai akurasi keberhasilan sistem prediksi jumlah kebutuhan obat menggunakan metode Least Square adalah 93,49%.

Kata kunci: Puskesmas, Penggunaan Obat, Prediksi, MAPE, Least Square.

1 PENDAHULUAN

Pusat Kesehatan Masyarakat (Puskesmas) adalah fasilitas pelayanan kesehatan yang menyelenggarakan upaya kesehatan masyarakat dan upaya kesehatan perseorangan tingkat pertama, dengan lebih mengutamakan upaya promotif dan preventif, untuk mencapai derajat kesehatan masyarakat yang setinggi-tingginya di wilayah kerjanya [1]. Pelayanan kesehatan menjadi produktif jika sesuai dengan kebutuhan masyarakat, salah satunya adalah ketersediaan obat.

Obat merupakan salah satu kebutuhan utama pada sebuah Puskesmas. Puskesmas menyimpan persediaan obat untuk penggunaan selama satu bulan dan membuat perencanaan permintaan obat selama satu bulan berikutnya.

Saat ini perencanaan permintaan obat untuk penggunaan pada bulan berikutnya masih

dilakukan berdasarkan perkiraan oleh petugas Puskesmas. Hal ini menyebabkan perencanaan persediaan obat tidak akurat karena terdapat sebagian obat mengalami kelebihan dan sebagian lainnya mengalami kekurangan.

Ketersediaan obat pada Puskemas harus terkontrol dengan baik agar obat yang dibutuhkan tersedia. Persediaan dan penggunaan obat tertuang dalam Laporan Pemakaian dan Lembar Permintaan Obat (LPLPO). Berdasarkan LPLPO pada akhir bulan terdapat beberapa jenis obat yang sisa stoknya banyak karena pemakaiannya sedikit.

Ada juga jenis obat yang memiliki jumlah kebutuhan banyak tetapi stoknya sedikit sehingga stok untuk bulan berikutnya mengalami kekurangan.

Oleh karena itu perlu

adanya suatu sistem yang dapat digunakan

untuk memprediksi prediksi jumlah

(2)

34

kebutuhan obat pada bulan berikutnya, sehingga kelebihan atau kekurangan obat dapat diminimalkan. Salah satu cara untuk memprediksi jumlah kebutuhan obat adalah dengan menggunakan metode

Least Square.

Beberapa penelitian yang menggunakan metode Least Square dilakukan oleh [2].

Penelitian yang dilakukan adalah memprediksi pendaftar ujian kompetensi laboratorium dengan masukan berupa data jumlah peserta ujian kompetensi periode 7 semester. Hasil prediksi ini memberikan informasi jumlah peserta yang akan mendaftar pada periode selanjutnya. Tingkat akurasi keberhasilan prediksi adalah sebesar 90,01%.

Penelitian lainnya dilakukan oleh [3]

untuk memprediksi produksi jaket. Masukan berupa data penjualan jaket selama 12 bulan dan luaran berupa data prediksi jaket 1 bulan berikutnya. Hasil penelitian ini menunjukkan metode Least Square terbukti efektif dan efisien.

Kemudian penelitian dilakukan oleh [4]

untuk memprediksi produk industri rumahan berupa telur asin. Masukan yang digunakan berupa data penjualan telur asin selama 11 bulan sebelumnya. Luaran yang didapat berupa data prediksi penjualan telur asin selama 1 bulan kedepan. Tingkat keakuratan perhitungan prediksi sebesar 90,62%.

Penelitian lain juga dilakukan oleh [5]

tentang peramalan persediaan obat menggunakan metode Triple Exponensial Smoothing (TES). Penelitian yang dilakukan menggunakan masukan data penjualan obat periode 12 bulan sebelumnya. Luaran penelitian ini berupa prediksi persediaan obat selama 1 bulan kedepan. Hasil penelitian prediksi persediaan obat untuk data trend linear mampu memprediksi dengan tingkat keberhasilan sebesar 71,66 % dan untuk data fluktuatif atau data yang mengalami pasang surut sebesar 95,75 %.

Sistem yang dibangun adalah sistem prediksi jumlah kebutuhan masing-masing dari 20 jenis obat menggunakan metode Least Square. Sistem ini dibangun untuk memprediksi jumlah kebutuhan obat di UPTD Puskesmas Pontianak Selatan selama 1 bulan berikutnya, sehingga hasil prediksi dapat

dijadikan acuan dalam perencanaan jumlah kebutuhan obat ke Dinas Kesehatan.

2 LANDASAN TEORI 2.1 Prediksi

Prediksi adalah suatu proses memperkirakan secara sistematis tentang sesuatu yang terjadi di masa depan secara sistematis berdasarkan informasi masa lalu dan sekarang yang dimiliki, agar kesalahan antara sesuatu yang terjadi dengan hasil prediksi dapat diperkecil [6].

2.2 Data Berkala (Time Series)

Data berkala adalah data yang disusun berdasarkan urutan dari waktu ke waktu, yaitu hari, minggu, bulan, tahun, dan sebagainya.

Adanya data berkala, maka pola gerakan data atau nilai-nilai variabel dapat diikuti atau diketahui. Pada umumnya perubahan yang terjadi dalam data statistik dalam sederetan waktu tertentu dapat berbentuk trend sekuler, variasi siklis, variasi musim, dan variasi residu yang disebut komponen data berkala [7].

2.3 Metode Least Square

Metode Kuadrat Minimum (Least Square) menghendaki agar jumlah kuadrat dari semua titik-titik vertikal (residu) antara titik- titik koordinat dan garis trend itu sendiri menjadi se-minimal mungkin. Hal yang sedemikian itu berarti bahwa jumlah kuadrat deviasi-deviasi vertikal 𝑑_𝑖 antara nilai-nilai yang diobservasi Y_𝑖 ke nilai-nilai trend yang telah dihitung Ŷ_𝑖 harus seminimal mungkin [8].

Metode Least Square dapat dilihat pada Gambar 1.

Gambar 1. Metode Least Square Secara matematis dapat dirumuskan sebagai:

Σ_𝑖𝑑_𝑖² = Σ_𝑖 (Y_𝑖− Ŷ_𝑖)² = minimum (1) Dalam penggambaran garis trend linear, persamaan 1 menjadi:

Σ(Y_𝑖− 𝑎 − 𝑏X_𝑖)² = minimum (2)

(3)

35 keterangan:

Y_𝑖 = nilai-nilai deret berkala hasil observasi pada periode X_𝑖

Ŷ_𝑖 = nilai-nilai trend yang telah dihitung pada periode X_𝑖

𝑑_𝑖 = deviasi (beda) = residu

Metode Least Square menggunakan prinsip bahwa garis yang paling sesuai untuk menggambarkan suatu data berkala adalah garis yang jumlah kuadrat dari selisih antara data tersebut dan garis trendnya terkecil atau minimum. Metode Least Square adalah metode yang digunakan untuk menentukan persamaan trend data yang mencakup analisis time series dengan dua kasus yaitu data genap dan data ganjil [7].

Untuk melakukan penghitungan, diperlukan nilai tertentu pada variabel waktu (𝑋) sehingga jumlah nilai variabel waktu adalah nol atau 𝛴𝑋 = 0. Waktu (𝑋) memiliki nilai- nilai yang berbeda untuk jumlah waktu ganjil dan waktu genap. Misalnya untuk jumlah observasi ganjil, maka nilai-nilai 𝑋-nya

… , −3, −2, −1, 0, 1, 2, 3, … Sedangkan untuk jumlah observasi genap, maka nilai-nilai 𝑋-nya

… , −5, −3, −1, 1, 3, 5, …

Pada umumnya, yang diberi nilai 0 adalah variabel waktu yang letaknya ditengah.

1. Untuk observasi jumlah observasi ganjil didapat:

𝑛 = 2 𝑘 + 1 (3) 𝑘 = ^𝑛−1

2 (4) maka observasi yang nilai 0-nya terletak ditengah adalah:

𝑘 + 1 = 0 (5) Observasi yang nilai 0 terletak antara 𝑋𝑘 + 1. Jarak antara dua waktu diberi nilai satu satuan. Sebelum 0 bertanda negatif. Setelah 0 bertanda positif.

2. Untuk observasi jumlah observasi genap didapat:

𝑛 = 2 𝑘 (6) 𝑘 = ^𝑛

2 (7)

maka observasi yang nilai 0-nya terletak ditengah adalah:

1

2[𝑘 + (𝑘 + 1)] = 0 (8) Observasi yang nilai 0 terletak antara 𝑋𝑘 dan 𝑋𝑘 + 1. Jarak antara dua waktu diberi nilai dua satuan. Sebelum 0 bertanda negatif. Setelah 0 bertanda positif.

Persamaan trend untuk metode Least Square sebagai berikut:

Ŷ = 𝑎 + 𝑏 𝑋 (9) keterangan:

Ŷ = nilai trend yang telah dihitung atau variabel dependen

𝑎 = nilai trend pada periode dasar

𝑏 = rata-rata pertumbuhan nilai trend tiap periode

𝑋 = nilai variabel independen dalam analisis trend (waktu)

Dengan metode Least Square, nilai 𝑎 dan 𝑏 dari persamaan (9) didapat:

𝑎 = ^ΣY

𝑛 (10)

𝑏 = ^ΣXY

Σ𝑋² (11)

keterangan:

ΣX = jumlah kumulatif dari periode waktu ΣXY = jumlah kumulatif dari jumlah periode

dikalikan jumlah pemakaian ΣY = jumlah kumulatif dari pemakaian 𝑎 = nilai trend pada periode dasar

𝑏 = rata-rata pertumbuhan nilai trend

tiap periode.

𝑛 = banyaknya periode waktu

2.4 Mean Absolute Percentage Error (MAPE)

MAPE dihitung dengan menggunakan kesalahan absolut pada tiap periode dibagi dengan nilai observasi yang nyata untuk periode itu, kemudian merata-rata kesalahan persentase absolut tersebut. Kelebihan MAPE adalah menyatakan kesalahan hasil prediksi terhadap permintaan aktual selama periode tertentu yang akan memberikan informasi presentase kesalahan. Kemampuan prediksi sangat baik jika memiliki nilai MAPE kurang dari 10% dan mempunyai kemampuan prediksi yang baik jika nilai MAPE kurang dari 20%.

Nilai MAPE dapat dihitung dengan persamaan berikut [9]:

(4)

36 MAPE = ¹

𝑛Σ_𝑖=1^𝑛 ^|Y^𝑖^−Ŷ𝑖|

𝑌𝑖 × 100% (12) keterangan:

n = jumlah periode waktu

Y𝑖 = nilai aktual pada periode ke−𝑖 Ŷ_𝑖 = nilai prediksi pada periode ke – 𝑖 2.5 Data Flow Diagram (DFD)

DFD adalah diagram yang menggunakan notasi simbol untuk menggambarkan arus data sistem. DFD dapat digunakan untuk mempresentasikan sebuah sistem atau perangkat lunak pada beberapa level yang lebih detail agar aliran informasi atau fungsi dapat direpresentasikan dengan lebih detail [10].

3 METODE PENELITIAN

Tahapan metode penelitian yang digunakan untuk merealisasikan penelitian ini berupa studi literatur, metode pengumpulan data, analisis kebutuhan, perancangan sistem, implementasi, dan pengujian.

3.1 Studi Literatur

Pada tahap ini dilakukan mencari teori- teori pendukung agar sistem dapat terealisasikan. Teori-teori pendukung yang didapat berupa data dari instansi terkait, buku- buku, dan jurnal yang berkaitan dengan penelitian ini.

3.2 Metode Pengumpulan Data

Pada tahap ini dilakukan wawancara dan observasi di UPTD Puskesmas Pontianak Selatan. Selain itu juga mengumpulkan data stok obat dari Puskesmas. Data stok obat yang digunakan dalam penelitian adalah data dari Januari 2017 sampai dengan Desember 2018.

Data yang digunakan sebanyak 20 jenis obat yang sering dikonsumsi yaitu: Allopurinol 100 gr, Amoxicillin 500 mg, Amplodipin 10 mg, Antasida Doen Kombinasi, Asam Ascorbat vitamin C, Asam Mefenamat 500 mg, Dexamethasone 0,5 mg, Garam Oralit 200 ml, Glibenclamid 5 mg, Gliseril Guaiakolat 100 mg, Kalsium Lactat 500 mg, Klorfeniramin Maleat (CTM) 4 mg, Kotimoxazol, Metronidazol 500 mg, Parasetamol 500 mg, Piridoksin HCL 10 mg, Ranitidin, Simvastatin 20 mg, Tablet Tambah Darah, dan Vitamin B Kompleks.

3.3 Analisis Kebutuhan

Pada tahap ini dilakukan analisis untuk menentukan kebutuhan perangkat keras dan

kebutuhan perangkat lunak dalam perancangan dan pembuatan sistem.

3.4 Perancangan Sistem

Pada tahap ini dilakukan perancangan sistem perangkat lunak dengan masukan data aktual pemakaian obat selama 12 bulan sebelumnya. Kemudian data aktual pemakaian obat tersebut dihitung dengan menggunakan metode Least Square untuk mendapatkan hasil prediksi bulan berikutnya. Aplikasi prediksi pada penelitian ini akan dibuat dengan menggunakan bahasa pemrograman PHP serta berbasis website. Beberapa hal yang harus ditentukan dalam perancangan suatu sistem meliputi perancangan flowchart, perancangan pemodelan sistem, perancangan database dan perancangan antarmuka sistem.

3.5 Implementasi

Pada tahap ini dilakukan pengimplementasian terhadap penelitian yang telah dirancang dan dibangun berdasarkan proses perancangan serta menunjukkan telah tercapai tujuan dan manfaat sistem. Proses implementasi sistem yaitu pembuatan database di phpmyadmin, pembuatan antarmuka sistem, dan pembuatan kode program prediksi.

3.6 Pengujian

Pada tahap ini dilakukan pengujian sistem untuk memastikan apakah sistem yang dibangun dapat berfungsi dengan baik sesuai yang diharapkan. Dalam melakukan pengujian digunakan data aktual pemakaian obat 12 bulan sebelumnya, kemudian data tersebut diproses untuk mendapatkan hasil prediksi bulan berikutnya. Pengujian dilakukan dengan cara membandingan data hasil prediksi dengan data yang sudah didapat dari UPTD Puskemas Pontianak Selatan. Jika sistem belum berjalan sesuai dengan diagram alir yang dibuat dan hasil dari proses perhitungan secara sistem dan manual tidak sama, maka dapat dikatakan pengujian belum berhasil. Selanjutnya dilakukan analisis perancangan sistem untuk mengecek kembali kebutuhan apa saja yang kurang memadai, contohnya penggunaan data, perancangan, dan pembuatan program yang digunakan dalam penelitian. Apabila sistem berjalan sesuai dengan diagram alir yang dibuat dan hasil perhitungan secara sistem sama dengan perhitungan manual, maka dikatakan pengujian berhasil. Hasil pengujian

(5)

37 perhitungan diukur menggunakan MAPE untuk menghitung kesalahan dalam prediksi.

4 PERANCANGAN SISTEM 4.1 Flowchart Metode Least Square

Flowchart sistem prediksi jumlah kebutuhan obat menggunakan metode Least Square dapat dilihat pada Gambar 2.

Gambar 2. Flowchart Metode Least Square Proses prediksi menggunakan metode Least Square dimulai dengan menentukan memasukkan data aktual pemakaian obat.

Untuk mencari nilai parameter 𝑋 disesuaikan dengan jumlah data 𝑛 yang akan digunakan dalam prediksi sebagai periode dasar. Jumlah 𝑛 yang digunakan pada penelitian ini berjumlah genap yaitu sebanyak 12 bulan. Selanjutnya menghitung nilai 𝑋², 𝑋𝑌, Σ𝑌, Σ𝑋𝑌, Σ𝑋² 𝑑𝑎𝑛 𝑛 untuk dasar mencari nilai trend. Kemudian akan ditentukan nilai 𝑎 (besar nilai trend).

Selanjutnya sistem akan menghitung nilai 𝑏 (perubahan nilai trend) terhadap 𝑋 (periode waktu). Hasil perhitungan tersebut akan digunakan untuk menentukan nilai Ŷ atau hasil prediksi pada periode yang diprediksi tingkat pemakaiannya. Luaran yang akan dihasilkan berupa jumlah prediksi kebutuhan obat untuk bulan berikutnya.

4.2 Data Flow Diagram (DFD)

Pada perancangan sistem digunakan Data Flow Diagram (DFD) untuk menggambarkan ruang lingkup sistem yang akan dibangun. Pada sistem ini terdapat 2

pengguna, yaitu admin dan user. DFD Level 0 dapat dilihat pada Gambar 3.

Gambar 3. DFD Level 0

Admin dapat melakukan proses login, manajemen data obat, manajemen data persediaan dan manajemen data prediksi.

Sedangkan user dapat melakukan proses login dan prediksi obat.

5 IMPLEMENTASI, PENGUJIAN DAN PEMBAHASAN

5.1 Implementasi Perangkat Lunak Berikut ini merupakan tampilan antarmuka aplikasi sesuai dengan hak aksesnya masing-masing, yaitu admin dan user.

5.1.1 Halaman Dashboard Admin

Halaman dashboard admin merupakan tampilan awal pada saat admin membuka aplikasi. Pada tampilan halaman ini terdapat informasi berupa jenis obat, nama tempat dan alamat penelitian. Halaman dashboard admin dapat dilihat pada Gambar 4.

Gambar 4 Halaman Dashboard Admin 5.1.2 Halaman Data Obat

Halaman data obat menampilkan data nama obat. Pada halaman ini admin dapat mengelola data seperti tambah obat, ubah obat dan hapus obat. Halaman data obat dapat dilihat pada Gambar 5.

(6)

38 Gambar 5. Halaman Data Obat

5.1.3 Halaman Data Persediaan

Halaman data persediaan menampilkan data persediaan obat. Pada halaman ini, admin dapat mengelola data seperti tambah persediaan, ubah persediaan, dan hapus persediaan. Halaman data persediaan dapat dilihat pada Gambar 6.

Gambar 6. Halaman Data Persediaan 5.1.4 Halaman Hasil Prediksi

Halaman hasil prediksi menampilkan hasil prediksi jumlah kebutuhan obat. Pada halaman ini, admin dapat mengelola data seperti tambah prediksi obat. Halaman prediksi dapat dilihat pada Gambar 7.

Gambar 7.Halaman Hasil Prediksi 5.1.5 Halaman Tambah Prediksi

Halaman tambah prediksi terdapat field nama obat. Untuk melakukan prediksi pilih obat pada field nama obat. Jika klik tombol prediksi, maka akan tampil hasil dari jumlah

prediksi obat pada halaman data prediksi.

Sedangkan untuk menghapus data yang telah dimasukkan klik tombol atur ulang. Halaman antarmuka prediksi dapat dilihat pada Gambar 8.

Gambar 8. Halaman Tambah Prediksi 5.1.6 Halaman Grafik Obat (User)

Halaman grafik obat ini dapat diakses oleh user. Grafik obat ini menampilkan perbandingan data aktual pemakaian obat dan hasil prediksi pada tahun 2018. Jika ingin melihat grafik pemakaian obat, maka pilih nama obat kemudian klik tombol proses.

Halaman antarmuka grafik obat dapat dilihat pada Gambar 9.

Gambar 9. Halaman Grafik Obat (User) 5.2 Pengujian

Setelah sistem selesai dibangun, maka perlu dilakukan pengujian untuk mengukur nilai akurasi sistem prediksi jumlah kebutuhan obat dengan menggunakan metode Least Square. Data aktual pemakaian obat pada Januari 2017 sampai dengan Desember 2017 digunakan untuk memprediksi data pada Januari 2018 sampai dengan Desember 2018.

Untuk mengetahui hasil akurasi aplikasi perlu dilakukan perhitungan nilai error pada setiap obat dengan membandingkan data aktual dan nilai trend pada setiap bulan. Dari pengujian yang telah dilakukan pada setiap obat, setiap bulannya mempunyai nilai MAPE yang berbeda-beda. Nilai MAPE dari masing-masing obat setiap bulan yang telah dihitung dapat dilihat pada Tabel 1.

(7)

39 Tabel 1 Hasil Nilai MAPE Tiap Obat Tahun

2018

No Nama

Obat Bulan Prediksi Aktual Perbulan (%)

Pertahun (%)

1 Allopurinol 100 mg

Januari 1609 1740 3,8006

4,3380 Februari 1683 1540 3,7361

Maret 1701 1860 3,3138

April 1788 1635 3,6546

Mei 1772 1598 4,1311

Juni 1748 1689 4,5866

Juli 1757 1520 4,6067

Agustus 1677 1485 4,7104 September 1611 1590 5,4258 Oktober 1578 1410 4,8059 November 1495 1535 4,8240 Desember 1462 1315 4,4598

2 Amoxicillin 500 mg

Januari 2574 2515 5,9086

6,0851 Februari 2648 2440 4,6514

Maret 2581 2331 4,4388

April 2476 2333 4,1026

Mei 2422 2132 4,2231

Juni 2288 2159 4,0328

Juli 2216 2864 4,3478

3 Amplodipin 10 mg

Januari 865 747 6,4051

9,5658

Februari 848 652 7,1909

Maret 776 580 8,0894

April 703 634 9,8795

Mei 657 540 9,1940

Juni 607 766 10,0541

Juli 623 640 11,1734

Agustus 597 618 10,2112

September 588 634 10,3295

Oktober 563 785 9,2011

November 630 705 11,0502

Desember 660 718 12,0112

4

Antasida Doen Kombinasi

Januari 1987 2149 7,9409

6,3191 Februari 2041 2017 7,9072

Maret 2009 2149 7,8824

April 2100 2295 6,2076

Mei 2139 2372 6,5768

Juni 2199 2464 7,2160

Juli 2359 2351 5,4897

5

Asam Ascorbat Vitamin C

Januari 3189 3332 8,0414

6,1427 Februari 3274 3534 8,1995

Maret 3533 3404 6,2917

April 3596 3494 6,2159

Mei 3697 3510 5,7756

Juni 3665 3745 4,6405

Juli 3748 3568 4,5826

6

Asam Mefenamat

500 gr

Januari 1597 1923 10,1161

10,3814 Februari 1616 2257 11,1117

Maret 1752 1967 12,8176

April 1755 1496 13,3300

Mei 1715 1937 12,3703

Juni 1878 1806 9,7827

Juli 1911 2079 9,1859

7 Dexametason 0,5 mg

Januari 1496 1392 7,2924

6,8351 Februari 1457 1535 6,4353

Maret 1503 1716 6,5276

April 1560 1496 6,7175

Mei 1585 1782 6,0314

Juni 1644 1845 6,3617

Juli 1759 1546 6,1352

8

Garam Oralit 200

ml

Januari 233 240 7,5882

7,9746

Februari 235 265 7,7871

Maret 244 219 8,4452

April 245 208 7,3755

Mei 232 271 7,9138

Juni 244 268 8,9858

Juli 259 215 7,7508

Agustus 247 235 9,4511

September 238 237 8,2685

Oktober 234 242 7,4606

November 237 261 7,3098

Desember 248 218 7,3590

9 Glibenclamid 5 mg

Januari 569 470 7,8546

9,0198

Februari 546 485 9,5150

Maret 526 530 10,0382

April 521 495 9,4141

Mei 519 554 9,3670

Juni 537 610 9,3115

Juli 545 645 8,4581

Agustus 593 683 8,7312

September 621 790 8,9094

Oktober 690 720 10,3847

November 733 830 8,8852

Desember 804 762 7,3683

10

Gliseril Guaiakolat

100 mg

Januari 2723 3242 2,4502

5,7703 Februari 2855 2900 4,1176

Maret 2813 2500 3,9635

April 2665 2998 4,4908

Mei 2713 3658 5,4248

Juni 3001 3002 7,4400

Juli 3069 3387 6,7020

11

Kalcium Lactat 500 mg

Januari 2302 2555 7,0038

7,5476 Februari 2429 2515 7,4068

Maret 2495 2180 7,3355

April 2431 2532 8,1632

Mei 2522 2552 7,9508

Juni 2524 2299 6,6439

Juli 2503 2014 7,2063

12 Klorfeniramin maleat 400 mg (CTM)

Januari 2323 2233 7,1414

8,0579 Februari 2245 1945 7,0830

Maret 2076 2220 7,3640

April 2104 2586 6,9492

Mei 2176 2061 7,7565

Juni 2117 2451 7,8221

Juli 2288 2270 7,1317

13 Kotimoxazol

Januari 235 236 8,6513

5,2148

Februari 243 248 7,0242

Maret 242 236 6,0989

April 247 252 5,3541

Mei 259 232 3,3671

Juni 253 267 3,7547

Juli 260 258 3,8820

Agustus 262 331 3,7125

September 284 286 5,1027

Oktober 291 301 5,0514

November 304 331 4,9419

Desember 323 350 5,6363

14 Metronidazol 500 mg

Januari 393 342 4,0047

4,9910

Februari 380 328 4,7459

Maret 358 356 4,7629

April 354 344 4,4357

Mei 344 370 3,8013

Juni 350 349 4,2637

Juli 341 400 3,2332

Agustus 357 479 4,6098

September 402 423 7,2854

Oktober 417 427 7,4164

November 434 434 6,4921

Desember 452 440 4,8404

15 Parasetamol 500 mg

Januari 5575 5954 6,3972 6,1384 Februari 5807 6111 6,2420

Maret 5984 5267 6,2422

April 5862 5807 7,3830

Mei 5932 6461 7,2385

Juni 6070 5338 6,7588

(8)

40

15 Parasetamol 500 mg

Juli 5969 5580 7,3596

6,1384

Agustus 5744 5855 5,5371

September 5769 5790 5,5559

Oktober 5831 5642 5,4363

November 5817 6037 5,4699

Desember 5761 6710 4,0402

16 Piridoksin

Januari 900 1193 8,1608

6,7794 Februari 974 1180 8,7585

Maret 1109 1088 6,1267

April 1132 1321 5,6132

Mei 1213 1173 6,7291

Juni 1240 1233 6,0183

Juli 1255 1050 5,6649

17 Ranitidin

Januari 1649 1641 3,5448

4,3023 Februari 1675 1575 3,5733

Maret 1673 1525 4,1731

April 1656 1661 4,9034

Mei 1668 1860 4,4638

Juni 1762 1787 5,0625

Juli 1779 1605 4,2218

18 Simvastatin 20 mg

Januari 1128 940 7,4705

6,1658 Februari 1098 1040 7,8038

Maret 1080 915 8,0048

April 1001 965 7,5027

Mei 993 820 7,3751

Juni 894 915 6,2934

Juli 848 830 5,1081

Agustus 804 856 4,5524

September 791 862 5,0456

Oktober 792 823 5,2155

November 767 867 4,9832

Desember 791 888 4,6340

19

Tablet Tambah

Darah

Januari 3182 2835 4,3090

4,2090 Februari 3153 3050 4,7923

Maret 3141 2815 4,5211

April 3019 2930 4,4382

Mei 2963 2981 3,9107

Juni 2931 2559 3,2894

Juli 2764 2655 3,8090

20 Vitamin B Kompleks

Januari 2343 2251 4,9000

4,2647 Februari 2342 2480 4,9476

Maret 2384 2444 4,3259

April 2479 2560 3,5289

Mei 2581 2500 3,2231

Juni 2615 3032 3,3485

Juli 2771 3134 3,7294

Rata-ra ta 6,5051

Tabel 1 merupakan tabel hasil nilai MAPE dengan data yang berisi 20 jenis obat yang ada pada UPTD Puskesmas Pontianak Selatan. Prediksi yang dilakukan adalah per- obat selama 12 bulan.

Nilai prediksi didapat dari hasil persamaan trend yang telah dihitung menggunakan Persamaan 9. Nilai aktual didapat dari data aktual pemakaian obat yang didapat dari UPTD Puskesmas Pontianak Selatan. Selanjutnya nilai MAPE per-bulan didapat dari rata-rata nilai error perbandingan antara data aktual dan nilai

trend yang dihitung selama 12 bulan.

Sedangkan nilai MAPE per-tahun didapat dari rata-rata nilai MAPE per-bulan.

Tabel 1 diketahui antara data aktual dan hasil prediksi pada data tertentu ada yang memiliki perbedaan yang tinggi. Perbedaan prediksi itu terjadi karena perhitungan prediksi bulan berikutnya, menggunakan data aktual rata-rata 12 bulan sebelumnya.

Dari tabel tersebut dapat diketahui masing-masing obat memiliki nilai MAPE yang bervariasi setiap bulannya. Nilai MAPE setiap tahun keseluruhan obat secara rata-rata adalah sebesar 6,5051%. Obat yang memiliki nilai MAPE terkecil pada tahun 2018 adalalah Gliseril Guaiakolat bulan Januari sebesar 2,4502%. Sedangkan obat yang memiliki nilai MAPE terbesar pada tahun 2018 adalah Asam Mefenamat bulan April sebesar 13,3300%. Untuk mencari persentase keberhasilan atau nilai akurasi sistem, maka 100% dikurangi dengan nilai rata-rata MAPE, sehingga persentase tingkat akurasi keberhasilan sistem yang didapat adalah sebagai berikut:

Persentase keberhasilan:

= 100% - Rata-rata MAPE = 100% - 6,5051% = 93,49%

5.3 Pembahasan

Metode Least Square adalah salah satu metode yang digunakan dalam prediksi antara lain untuk melihat trend dari data berkala atau time series.

Penerapan metode Least Square pada penelitian ini dilakukan dengan menggunakan masukan data aktual pemakaian obat.

Sedangkan luaran yang dihasilkan adalah prediksi jumlah kebutuhan 20 jenis obat di UPTD Puskesmas Pontianak Selatan.

Agar memudahkan user dalam memprediksi persediaan dan pemakaian obat pada UPTD Puskesmas Pontianak Selatan, maka dibuat sistem prediksi jumlah kebutuhan obat setiap bulannya. Hasil prediksi dari sistem ini berupa prediksi persediaan dan pemakaian masing-masing jenis obat dengan menampilkan jumlah data kebutuhan obat pada bulan berikutnya.

Untuk mendapatkan nilai Least Square prediksi jumlah kebutuhan obat setiap bulan pada periode tahun 2018 (Januari 2018 sampai dengan Desember 2018) digunakan data aktual

(9)

41 pemakaian obat setiap bulan pada periode tahun sebelumnya (Januari 2017 sampai dengan Desember 2017).

Data aktual pemakaian obat setiap bulan pada tahun 2017 dan tahun 2018 berfluktuatif (naik dan turun). Trend data aktual pemakaian obat pada tahun 2017 dan 2018 pada 20 jenis obat dalam 1 tahun terdiri dari 3 jenis, yaitu trend cenderung konstan, trend turun, dan trend naik. Trend obat pada tahun 2017 dan 2018 ada yang mengalami trend yang sama, yaitu pada trend cenderung konstan dan trend naik. Jenis obat yang mengalami trend cenderung konstan yang sama terdiri dari Garam Oralit 200 ml,Parasetamol 500 mg, dan Simvastatin 20 mg. Sedangkan jenis obat yang mengalami trend naik sama terdiri dari Ranitidin 150 mg dan Vitamin B Kompleks.

Sistem prediksi jumlah kebutuhan obat yang telah dibuat mempunyai perbandingan antara data aktual dan hasil prediksinya. Data aktual pemakaian obat dan hasil prediksi pemakaian obat setiap bulan dalam 1 tahun bervariasi. Hal ini terlihat dari adanya beberapa jenis obat yang trend data aktualnya turun tetapi hasil prediksinya naik, sementara ada beberapa jenis obat yang data aktualnya cenderung konstan tetapi hasil prediksinya naik, dan ada pula yang data aktualnya cenderung konstan tetapi hasil prediksinya turun. Kemudian terdapat juga jenis obat yang mempunyai trend sama yaitu yang data aktual dan hasil prediksinya sama-sama naik, sama-sama turun atau cenderung konstan. Trend hasil perbandingan antara data aktual dan hasil prediksi 20 jenis obat selama 1 tahun dapat dilihat pada Tabel 2.

Tabel 2. Trend Hasil Perbandingan Data Aktual dan Hasil Prediksi 2018

No Nama Obat Aktual Prediksi

1 Allopurinol 100 mg Turun Turun

2 Amoxicillin 500 mg Turun Naik

3 Amplodipin 10 mg Cenderung Konstan Turun

4 Antasida Doen Kombinasi Naik Naik

5 Asam Ascorbat Vitamin C Turun Turun

6 Asam Mefenamat 500 mg Cenderung Konstan Naik 7 Dexametasone 0,5 mg Cenderung Konstan Naik

8 Garam Oralit 200 ml Cenderung Konstan Cenderung Konstan

9 Glibenclamid 5 mg Naik Naik

10 Gliseril Guaiakolat 100 mg Naik Naik

11 Kalcium Lactat 500 mg Turun Turun

12 Klofeniramin maleat (CTM)

Naik Naik

13 Kotimoxazol Naik Naik

14 Metronidazol 500 mg Naik Naik

15 Parasetamol 500 mg Cenderung Konstan Cenderung Konstan 16 Piridoksin hcl 10 mg Cenderung Konstan Naik

17 Ranitidin 150 mg Naik Naik

18 Simvastatin 20 mg Cenderung Konstan Turun 19 Tablet Tambah Darah Cenderung Konstan Turun

20 Vitamin B Kompleks Naik Naik

Salah satu contoh grafik perbandingan antara data aktual dan hasil prediksi obat Gliseril Guaiakolat periode 2018 dapat dilihat pada Gambar 10.

Gambar 10. Grafik Perbandingan Data Aktual dan Hasil Prediksi

Antara data aktual dan hasil prediksi pada data tertentu ada yang memiliki perbedaan yang tinggi. Perbedaan prediksi itu terjadi karena perhitungan prediksi bulan berikutnya, menggunakan data aktual rata-rata 12 bulan sebelumnya.

Pada saat melakukan prediksi, terdapat perbedaan antara data aktual dan hasil prediksi.

Perbedaan tersebut diuji dengan cara menghitung nilai error pada setiap obat, yaitu membandingkan data aktual dengan nilai trend setiap bulan masing-masing obat. Nilai MAPE setiap tahun keseluruhan obat secara rata-rata adalah sebesar 6,5051%. Persentase tingkat akurasi keberhasilan sistem keseluruhan obat secara rata-rata adalah sebesar 93,49%.

Besar kecilnya nilai MAPE tergantung dari data aktual setiap bulan pada setiap jenis obat. Semakin kecil nilai MAPE maka akan semakin baik tingkat akurasinya. Semakin besar nilai MAPE maka kurang baik tingkat akurasinya. Nilai MAPE kecil terjadi karena perbedaaan antara nilai aktual dengan nilai trend adalah minimum [9].

6 KESIMPULAN DAN SARAN 6.1 Kesimpulan

Kesimpulan yang dapat diambil dari hasil pengujian yang telah dilakukan pada

0 500 1000 1500 2000 2500 3000 3500 4000 4500

1 2 3 4 5 6 7 8 9 10 11 12

Gliseril Guaiakolat 100 mg

Prediksi Aktual

(10)

42 aplikasi prediksi jumlah kebutuhan obat adalah sebagai berikut:

1. Data aktual pemakaian obat dan hasil prediksi pemakaian obat setiap bulan dalam satu tahun bervariasi. Hal ini terlihat dari adanya beberapa jenis obat yang trend data aktualnya turun tetapi hasil prediksinya naik, sementara ada beberapa jenis obat yang data aktualnya cenderung konstan tetapi hasil prediksinya naik, dan ada pula yang data aktualnya cenderung konstan tetapi hasil prediksinya turun. Kemudian terdapat juga jenis obat yang mempunyai trend sama yaitu yang data aktual dan hasil prediksinya sama-sama naik, sama-sama turun atau cenderung konstan.

2. Rata-rata persentase nilai akurasi keberhasilan sistem prediksi jumlah kebutuhan obat pada UPTD Puskesmas Pontianak Selatan menggunakan metode Least Square adalah 93,49%.

6.2 Saran

Saran yang dapat diberikan dalam penelitian ini adalah sebagai berikut:

1. Metode prediksi Least Square dapat diganti dengan metode prediksi lainnya untuk mengetahui hasil perbandingan antara metode prediksi.

2. Penelitian selanjutnya diharapkan dapat menambahkan data uji pemakaian obat yang lebih banyak, sehingga bisa digunakan oleh beberapa Puskesmas di kota Pontianak.

DAFTAR PUSTAKA

[1] Permenkes RI, Peraturan Menteri Kesehatan RI Nomor 75, 2014, p. Nomor 75.

[2] Gunadi, “Tingkat Prediksi Pendaftar Ujian Kompetensi Laboratorium Menggunakan Metode Least Square,”

Jurnal Resti, vol. Vol. 2 No. 3, p. 746 – 752, 2018.

[3] M. A. Nasrulloh, “Sistem Prediksi Produksi Jaket Menggunakan Metode

Least Square,” Universitas Nusantara PGRI Kediri, 2017.

[4] M. I. Cholid, “Sistem Prediksi Industri Rumahan Menggunakan Metode Least Square,” Universitas Nusantara PGRI Kediri, 2017.

[5] J. Nangi, “Peramalan Persediaan Obat pada Instalasi Farmasi RSUD,”

SEMANTIK, Vol. %1 dari %2Vol. 4, No.1, pp. 135-142, 2018.

[6] F. A. Minarni, “Prediksi Jumlah Produk Roti Menggunakan Metode Fuzzy,”

Jurnal TEKNOIF, 2016.

[7] M. I. Hasan, Pokok-Pokok Materi Statistik 1 (Statistik Deskriptif), Jakarta:

PT Bumi Aksara, 2014.

[8] A. Dajan, Pengantar Metode Statistik.

Cetakan Ke Dua Puluh, Jilid I, Jakarta:

LP3ES, 2000.

[9] F. N. A. P. Pakaja, “Peramalan Penjualan Mobil Menggunakan Jaringan Syaraf Tiruan dan Certainty Factor,” 2012.

[10] Rosa, Modul Pembelajaran Rekayasa Perangkat Lunak (Terstruktur dan Berorientasi Objek), Bandung: Modula, 2016.